Gäller från och med: Vårterminen 2016
Beslutad av: FN1/AndersGustafsson
Datum för fastställande: 2015-12-21
Avdelning: Matematisk statistik (LTH)
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Engelska
Kursen syftar främst till att utöka den mängd statistiska problem som kan lösas av doktoranden. Syftet med kursen är också att doktoranden skall tillgodogöra sig moderna statistiska metoder för inferens av partiellt observerade stokastiska processer. Partiellt observerade processer är en bred statistisk modellklass med tillämpningar inom t.ex. finans, miljö och biologi. Slutligen syftar kursen till att ge doktoranden kunskap och verktyg som tillåter både parameterinferens in partiellt observerade stokastiska processer och rekonstruktion av de icke observerade delarna av processen. För att doktoranderna ska kunna tillämpa metoderna i sin egen forskning kommer beräkningsmässiga svårigheter och lösningar att presenteras.
Kunskap och förståelse
För godkänd kurs skall doktoranden
Färdighet och förmåga
För godkänd kurs skall doktoranden
Värderingsförmåga och förhållningssätt
För godkänd kurs skall doktoranden
Inferens- och data-imputation för diffusioner och andra tidskontinuerliga stokastiska processer; itererad filtrering; partikelfilter-baserade metoder för parameterinferens; approximativ Bayesianska beräkningar (ABC); inferens för Gaussiska Markov fält.
Kurslitteraturen utgörs av relevanta nyckel-publikationer som väljs av föreläsarna.
Undervisningsformer: Föreläsningar, övningar, projekt
Examinationsformer: Skriftlig rapport, inlämningsuppgifter.
För godkänt betyg på hela kursen krävs godkänd redovisning av hemuppgifter och godkänd skriftlig projektrapport.
Betygsskala: Underkänd, godkänd
Examinator:
Förkunskapskrav: Grundläggande kunskaper om inferens i stokastiska processer, Bayesiansk inferens och Monte Carlo baserad inference. T.ex. kurserna tidsserie analys (FMS051/MASM17) och Monte Carlo-baserade statistiska metoder (FMS091/MASM11)
Kursansvariga:
Hemsida: http://www.maths.lu.se/index.php?id=110381